Statistical assessment of radiomics role in prognosis of patients with intrahepatic cholangiocarcinoma

Intrahepatic cholangiocarcinoma (IHC) is an aggressive tumor whose incidence has increased considerably in recent years. The main treatment is surgery, but an optimal strategy has not yet been characterized and prognostic factors are still debated. Recently, a quantitative analysis approach based on diagnostic images, called Radiomics, has gained attention. This technique is able to extract a large amount of high-dimensional and minable data from diagnostic images, produced by Computed Tomography (CT) scans in our case, capturing additional information to that usually considered by clinicians to formulate prognoses. Thanks to the amount of data collected by Humanitas University, in a multicentre study involving six different hospitals, we have tried to understand the importance and the role of radiomics in predicting pathology data and survival response in patients with IHC. We also focused on the multilevel nature of the data, analysing whether there are differences between the various hospitals. In order to predict, and thus classify, pathology data taking into account its multicentre aspect, we focused on Generalized Linear Mixed Effects Models as modelling techniques. For time-to-event data we employed Cox type regression models with shared frailties, being able to consider the inherent grouping factor in the data. Furthermore, as we were provided with radiomic data covering three phases of CT (Arterial, Portal and Late) we have exploited the multiview aspect of the data by using Multi-view Learning techniques, to understand the importance of each of the three phases. With the analysis carried out within this thesis, we have demonstrated the importance of considering all radiomics information, together with clinical one, in order to have an adequate prognosis in patients with IHC.

Il colangiocarcimona intraepatico (IHC) è un tumore aggressivo la cui incidenza è cresciuta notevolmente negli ultimi anni. Il trattamento principale è la chirurgia, tuttavia una strategia ottimale non è ancora stata caratterizzata e i fattori prognostici sono tuttora dibattuti. Recentemente, un approccio basato sull'analisi quantitativa di immagini diagnostiche, chiamato Radiomica, ha guadagnato sempre più attenzione. Con questa tecnica si è infatti in grado di estrarre dalle immagini diagnostiche, prodotte dagli scan della Tomografia Computerizzata (TC) nel nostro caso, una grande quantità di "high-dimensional and minable data", riuscendo a catturare informazioni aggiuntive rispetto a quelle solitamente considerate dai medici per formulare prognosi. Grazie ai dati raccolti da Humanitas University, in uno studio multicentrico comprendente sei diversi ospedali, abbiamo cercato di capire l'importanza e il ruolo che ha radiomica nella predizione dei dati patologici e della risposta di sopravvivenza nei pazienti con IHC. Abbiamo focalizzato l'attenzione anche sull'aspetto multi-livello del dato, analizzando l'eventuale presenza di differenze tra i vari ospedali. Per poter predire, e quindi classificare, i dati patologici tenendo conto dalla natura multicentrica dei dati, ci siamo focalizzati sui modelli lineari generalizzati a effetti misti come tecnica modellistica. Per i dati time-to-event abbiamo impiegato modelli di sopravvivenza di tipo Cox con shared frailties, con i quali siamo riusciti a considerare il fattore di raggruppamento intrinseco nei dati. Inoltre, siccome ci sono stati forniti dati radiomici riguardanti tre fasi della TC (arteriosa, portale e tardiva), abbiamo pensato all'aspetto multiview del dato utilizzando tecniche di Multi-view Learning per poter capire l'importanza di ognuna delle tre fasi. Con le analisi svolte in questa tesi, abbiamo dimostrato l'importanza di considerare tutte le informazioni fornite dalla radiomica, insieme a quelle cliniche, al fine di avere una prognosi adeguata nei pazienti con IHC.